基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测研究

摘要

大规模的雾霾侵袭不仅严重影响了人们正常的交通出行，还严重危害了人们的身体健康。PM2.5是构成霾的主要成分，应对雾霾污染关键在于控制PM2.5。因此，全面掌握PM2.5浓度的时空演变规律并做到高效准确的PM2.5浓度预测对交通出行规划和空气污染防控工作具有重要的指导意义。
　　针对目前大部分PM2.5预测模型多应用在小范围区域，预测效果不稳定，泛化能力不足的现状，本文在国内外PM2.5浓度时空特征和预测研究的基础上，结合深度学习中记忆能力较强的循环神经网络和特征表达能力较强的卷积神经网络，针对中国大陆地区空气质量时序数据分别设计了基于门控循环单元的循环神经网络模型和基于时序的卷积神经网络模型，并以Stacking集成策略融合两大神经网络，提出了RNN-CNN集成深度学习模型对PM2.5小时浓度进行预测。本文主要研究内容如下:
　　(1)深度学习框架下集成预测模型的设计。
　　考虑到PM2.5预测1）需要利用时间轴上的前后关联信息去预测未来的浓度，而循环神经网络针对时序数据出色的记忆能力可以很好地达到该效果;2）需要从高维特征中提取到不同层次的本质特征用于预测，而卷积神经网络良好的特征表达能力，可以对高维时序数据在不同层次上自动提取通用特征，预测效果更稳定。因此，本文分别设计了基于门控循环单元的循环神经网络模型和基于时序的卷积神经网络模型，采取Stacking集成策略对两者进行融合，提出了RNN-CNN集成模型，在预测中充分发挥了时间记忆优势和特征表达能力。
　　(2)不同时空尺度下中国大陆地区PM2.5浓度的时空特征分析。
　　采用数理统计方法对中国七大城市群PM2.5浓度的季节、月度、周内和日内变化特征进行了对比分析;采用空间分析中的近邻效应、克里金插值、全局和局部空间自相关分析以及重心模型等理论和方法对不同时空尺度PM2.5浓度的空间分布格局、空间集聚模式和空间移动规律进行了挖掘。
　　(3)以中国大陆地区为研究区域，进行实例验证。
　　根据PM2.5浓度的时空特征分析结果，首先在不同时空尺度下扩展预测因子;然后，基于2016年中国大陆地区1466个空气质量监测站的小时数据，利用设计的三个深度学习预测模型对各站点PM2.5小时浓度进行预测;最后，在不同区域尺度下统计并对比三个模型在各区域的预测误差以及拟合程度，并在三维场景下对评价指标进行地图可视化，验证RNN-CNN集成深度学习模型的有效性与灵活性。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景与意义

1．2 国内外研究进展

1．2．1 PM2．5 浓度时空特征研究

1．2．2 PM2．5 浓度预测研究

1．3 主要研究内容

1．4 论文组织和章节安排

2 基于集成深度学习的PM2．5 小时浓度预测模型

2．1 预测问题描述

2．2 基于门控循环单元的循环神经网络模型

2．2．1 循环神经网络介绍

2．2．2 架构设计

2．2．3 激活函数

2．2．4 正则化

2．2．5 自适应学习率算法

2．2．6 其他参数

2．2．7 模型可视化

2．3 基于时序的卷积神经网络模型

2．3．1 卷积神经网络介绍

2．3．2 时序数据的展开

2．3．3 架构设计

2．3．4 卷积模块设计

2．3．5 池化模块设计

2．3．6 其他参数

2．3．7 模型可视化

2．4 Stacking集成模型

2．4．1 Stacking集成策略介绍

2．4．2 元学习器设计

2．4．3 集成模型的训练

2．4．4 模型可视化

2．5 评价指标

2．6 本章小结

3 中国大陆地区PM2．5 浓度时空特征分析

3．1 研究区概况及数据来源

3．1．1 研究区概况

3．1．2 数据来源

3．2 PM2．5 浓度的时间特征分析

3．2．1 PM2．5 浓度的季节变化特征

3．2．2 PM2．5 浓度的月度变化特征

3．2．3 PM2．5 浓度的周内日变化特征

3．2．4 PM2．5 浓度的曰内时间段变化特征

3．2．5 PM2．5 浓度的日内逐小时变化特征

3．3 PM2．5 浓度的空间特征分析

3．3．1 基于近邻分析的PM2．5 浓度空间分布特征

3．3．2 基于空间插值的PM2．5 浓度空间分布特征

3．3．3 基于空间自相关的PM2．5 浓度空间分布特征

3．4 本章小结

4 中国大陆地区PM2．5 小时浓度预测研究实例

4．1 实验环境与数据预处理

4．2 实验结果与分析

4．2．1 全局视角下的预测结果与分析

4．2．2 城市群视角下的预测结果与分析

4．2．3 城市视角下的预测结果与分析

4．2．4 站点视角下的预测结果与分析

4．3 本章小结

5 总结与展望

5．1 工作总结

5．2 创新点

5．3 研究展望

参考文献

作者简历